机器学习运行时

Funktionen

框架去温斯迟

ML-Frameworks:死beliebtesten ML-Bibliotheken和框架,einschließlich TensorFlow, Keras, PyTorch, MLflow, Horovod, GraphFrames, ScikitLearn, XGboost, Numpy, MLeap和熊猫了standardmaßig bereitgestellt。

AUGMENTIERTES毫升

Verfolgung automatisierter Experimente:Verfolgen, vergleichen和visualisieren您Hunderttausende冯Experimenten麻省理工开放源码奥得河管理MLflbob下载地址ow和der Funktion苏珥Darstellung平行Koordinaten。

Automatisierte Modellsuche(毛皮Single-Node-ML):Optimierte和verteilte bedingte Hyperparametersuche uber mehrere Modellarchitekturen麻省理工学院erweitertem Hyperopt和毛皮MLflow automatisiertem跟踪。

Automatisiertes Hyperparameter-Tuning毛皮Single-Node-Machine-Learning:Optimierte和verteilte Hyperparametersuche麻省理工学院erweitertem Hyperopt和毛皮MLflow automatisiertem跟踪。

Automatisiertes Hyperparameter-Tuning毛皮verteiltes机器学习:Tiefe集成在死亡交叉验证冯PySpark MLlib苏珥automatischen Verfolgung冯MLlib-Experimenten MLflow。

OPTIMIERT毛皮VEREINFACHTE SKALIERUNG

TensorFlow optimiert:Profitieren您von der CUDA-optimierten版本冯TensorFlow auf GPU-Clustern毛皮maximale Leistung。

HorovodRunner:Rusten您迅速地和unkompliziert古老而深Learning-Trainingscode毛皮Einzelknoten auf——该死er超级HorovodRunner einem Databricks-Cluster laufen萤石。HorovodRunner这einfache API, Komplikationen死去,死贝der Verwendung冯Horovod毛皮verteiltes培训entstehen abstrahieren萤石。

Optimierte logistische回归和Baumklassifizierung毛皮MLlib:祖茂堂砖运行时毛的机器学习gehort欧什死Optimierung der bekanntesten估计。Im Vergleich麻省理工学院Apache火花测试盒框,您能在这里修女一张嗯bis祖茂堂40 Prozent hohere Geschwindigkeit erzielen。

Optimierte GraphFrames:Fuhren您GraphFrames请来两- bis viermal schneller来自和profitieren您冯静脉bis祖茂堂100 - fachen Beschleunigung贝Graph-Abfragen——我的工作负载和Datenintegritat票。

对深度学习的优化存储工作负载:利用高性能的解决方案Azure,AWS,GCP模型数据加载和检查点,这两个关键深度学习培训工作负载。